Plongez dans l'importance des fonctionnalités, de l'évolution des modèles, des défis d'étiquetage et de la sélection des modèles dans l'apprentissage automatique.
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Explore des sujets avancés dans l'apprentissage automatique, en se concentrant sur les extensions SVR et l'optimisation hyperparamétrique, y compris Nu-SVR et RVR.
S'insère dans les méthodologies complémentaires de choix discret et d'apprentissage automatique, couvrant les notations, les variables, les modèles, les processus de données, l'extrapolation, l'analyse de ce qu'il faut faire, et plus encore.
Explore l'intégration de l'apprentissage automatique dans des modèles à choix discrets, en soulignant l'importance des contraintes théoriques et des approches hybrides de modélisation.
Explore le compromis entre la complexité et le risque dans les modèles d'apprentissage automatique, les avantages de la surparamétrisation et le biais implicite des algorithmes d'optimisation.
Explore les tests de spécification, l'apprentissage automatique, le surajustement, la régularisation, les tests de prédiction et la sélection de variables.
Explore les réseaux neuronaux récurrents pour les données comportementales, couvrant le repérage de connaissances profondes, les réseaux LSTM, GRU, le réglage hyperparamétrique et les tâches de prévision de séries chronologiques.
S'insère dans l'automatisation de la synthèse chimique par la découverte et l'optimisation de catalyseurs à l'aide de l'apprentissage automatique et de la chimie computationnelle.
Comparer l'apprentissage automatique avec les modèles traditionnels de modélisation du risque de crédit, en mettant l'accent sur les relations non linéaires et les améliorations prédictives.
Couvre la divergence Kullback-Leibler, la régularisation et les statistiques bayésiennes pour lutter contre le surajustement dans les modèles d'apprentissage automatique.
Explore Ridge et Lasso Regression pour la régularisation dans les modèles d'apprentissage automatique, en mettant l'accent sur le réglage hyperparamétrique et la visualisation des coefficients des paramètres.
Présente les projets de l'EPFL Digital Humanities Master étudiants, couvrant l'apprentissage automatique, les approches interdisciplinaires et la poésie générée par ordinateur.
